Благодарим вас за посещение Nature.com. Вы используете версию браузера с ограниченной поддержкой CSS. Для оптимальной работы мы рекомендуем вам использовать обновленный браузер (или отключить режим совместимости в Internet Explorer). Кроме того, чтобы обеспечить постоянную поддержку, мы показываем сайт без стилей и JavaScript.
Слайдеры, показывающие по три статьи на слайде. Используйте кнопки «Назад» и «Далее» для перемещения по слайдам или кнопки контроллера слайдов в конце для перемещения по каждому слайду.
Влияние микроструктуры на формуемость листов нержавеющей стали является серьезной проблемой для инженеров по обработке листового металла. Для аустенитных сталей наличие мартенсита деформации (\({\alpha}^{^{\prime))\)-мартенсита) в микроструктуре приводит к значительному упрочнению и снижению формуемости. В этом исследовании мы стремились оценить формуемость сталей AISI 316 с различной мартенситной прочностью с помощью экспериментальных методов и методов искусственного интеллекта. На первом этапе сталь AISI 316 начальной толщиной 2 мм была отожжена и подвергнута холодной прокатке до различной толщины. Впоследствии относительную площадь мартенсита деформации измеряли металлографическим испытанием. Формуемость прокатанных листов определяли с помощью испытания на разрыв полусферы для получения диаграммы пределов деформации (FLD). Данные, полученные в результате экспериментов, в дальнейшем используются для обучения и тестирования системы искусственной нейро-нечеткой интерференции (ANFIS). После обучения ANFIS доминирующие штаммы, предсказанные нейронной сетью, сравнивались с новым набором экспериментальных результатов. Результаты показывают, что холодная прокатка отрицательно влияет на формуемость этого типа нержавеющей стали, но прочность листа значительно повышается. Кроме того, ANFIS показывает удовлетворительные результаты по сравнению с экспериментальными измерениями.
Способность формовать листовой металл, хотя и является предметом научных статей на протяжении десятилетий, остается интересной областью исследований в металлургии. Новые технические инструменты и вычислительные модели упрощают поиск потенциальных факторов, влияющих на формуемость. Самое главное, что важность микроструктуры для ограничения формы была выявлена в последние годы с использованием метода конечных элементов кристаллической пластичности (CPFEM). С другой стороны, доступность сканирующей электронной микроскопии (SEM) и дифракции обратного рассеяния электронов (EBSD) помогает исследователям наблюдать микроструктурную активность кристаллических структур во время деформации. Понимание влияния различных фаз в металлах, размера и ориентации зерен, а также микроскопических дефектов на уровне зерен имеет решающее значение для прогнозирования формуемости.
Определение формуемости само по себе является сложным процессом, поскольку было показано, что формуемость сильно зависит от путей 1, 2, 3. Таким образом, традиционные представления о предельной деформации формования ненадежны в условиях непропорциональной нагрузки. С другой стороны, большинство путей нагрузки в промышленности классифицируются как непропорциональная нагрузка. В связи с этим традиционные полусферические и экспериментальные методы Марциняка-Кучинского (МК)4,5,6 следует использовать с осторожностью. В последние годы внимание многих инженеров по формуемости привлекла еще одна концепция — диаграмма пределов разрушения (FFLD). В этой концепции модель повреждения используется для прогнозирования формуемости листа. В связи с этим независимость от пути изначально включена в анализ, и результаты хорошо согласуются с немасштабированными экспериментальными результатами7,8,9. Формируемость листового металла зависит от нескольких параметров и истории обработки листа, а также от микроструктуры и фазы металла10,11,12,13,14,15.
Зависимость от размера является проблемой при рассмотрении микроскопических особенностей металлов. Показано, что в малых деформационных пространствах зависимость вибрационных свойств и свойств устойчивости сильно зависит от масштаба материала16,17,18,19,20,21,22,23,24,25,26,27, 28,29,30. Влияние размера зерна на формуемость давно признано в отрасли. Ямагучи и Меллор [31] исследовали влияние размера и толщины зерна на свойства металлических листов при растяжении с помощью теоретического анализа. Используя модель Марчиниака, они сообщают, что при двухосном растягивающем нагружении уменьшение отношения толщины к размеру зерна приводит к снижению свойств листа при растяжении. Экспериментальные результаты Wilson et al. 32 подтвердили, что уменьшение толщины до среднего диаметра зерна (t/d) привело к уменьшению двухосной растяжимости металлических листов трех разных толщин. Они пришли к выводу, что при значениях t/d менее 20 на заметную деформационную неоднородность и образование шейки в основном влияют отдельные зерна по толщине листа. Ульван и Курсарис33 изучили влияние размера зерна на общую обрабатываемость аустенитных нержавеющих сталей 304 и 316. Они сообщают, что размер зерна не влияет на формуемость этих металлов, но можно увидеть небольшие изменения в свойствах на растяжение. Именно увеличение размера зерна приводит к снижению прочностных характеристик этих сталей. Влияние плотности дислокаций на напряжение течения металлов никеля показывает, что плотность дислокаций определяет напряжение течения металла независимо от размера зерна34. Взаимодействие зерен и первоначальная ориентация также оказывают большое влияние на эволюцию текстуры алюминия, которую исследовали Беккер и Панчанадисваран с помощью экспериментов и моделирования пластичности кристаллов35. Численные результаты их анализа хорошо согласуются с экспериментами, хотя некоторые результаты моделирования отклоняются от экспериментов из-за ограничений применяемых граничных условий. Изучая структуру кристаллической пластичности и экспериментально обнаруживая, прокатанные алюминиевые листы демонстрируют различную формуемость36. Результаты показали, что, хотя кривые растяжения разных листов были почти одинаковыми, наблюдались значительные различия в их формуемости на основе исходных значений. Амелирад и Ассемпур использовали эксперименты и CPFEM для получения кривых растяжения-деформации для листов аустенитной нержавеющей стали37. Их моделирование показало, что увеличение размера зерна смещается вверх в FLD, образуя ограничивающую кривую. Кроме того, те же авторы исследовали влияние ориентации и морфологии зерен на образование пустот 38 .
Помимо морфологии и ориентации зерен в аустенитных нержавеющих сталях важно также состояние двойников и вторичных фаз. Двойникование является основным механизмом упрочнения и увеличения удлинения стали TWIP 39. Hwang40 сообщил, что формуемость сталей TWIP была плохой, несмотря на достаточную реакцию на растяжение. Однако влияние деформационного двойникования на формуемость листов аустенитной стали изучено недостаточно. Мишра и др. 41 исследовали аустенитные нержавеющие стали, чтобы наблюдать двойникование при различных путях растяжения. Они обнаружили, что близнецы могут возникать из источников распада как отожженных близнецов, так и нового поколения близнецов. Было замечено, что самые крупные близнецы образуются при двуосном растяжении. Кроме того, отмечено, что превращение аустенита в \({\alpha}^{^{\prime}}\)-мартенсит зависит от пути деформации. Хонг и др. 42 исследовали влияние деформационного двойникования и мартенсита на водородное охрупчивание в диапазоне температур при селективной лазерной плавке аустенитной стали 316L. Было замечено, что в зависимости от температуры водород может вызвать разрушение или улучшить формуемость стали 316L. Шен и др. 43 экспериментально измерили объем мартенсита деформации при растягивающей нагрузке при различных скоростях нагружения. Установлено, что увеличение деформации растяжения увеличивает объемную долю мартенситной фракции.
Методы ИИ используются в науке и технике из-за их универсальности при моделировании сложных задач без обращения к физико-математическим основам проблемы44,45,46,47,48,49,50,51,52 Число методов ИИ увеличивается . Моради и др. 44 использовали методы машинного обучения для оптимизации химических условий для производства более мелких частиц нанокремнезема. Другие химические свойства также влияют на свойства наноразмерных материалов, что изучалось во многих исследовательских статьях53. Се и др. 45 использовали ANFIS для прогнозирования формуемости листового металла из простой углеродистой стали при различных условиях прокатки. Благодаря холодной прокатке плотность дислокаций в мягкой стали значительно возросла. Простые углеродистые стали отличаются от аустенитных нержавеющих сталей механизмами упрочнения и восстановления. В простой углеродистой стали фазовые превращения в микроструктуре металла не происходят. Помимо металлической фазы, на пластичность, разрушение, обрабатываемость и т. д. металлов также влияют некоторые другие микроструктурные особенности, возникающие при различных видах термической обработки, холодной обработке и старении54,55,56,57,58,59 ,60. , 61, 62. Недавно Chen et al. 63 изучали влияние холодной прокатки на формуемость стали 304L. Они учли феноменологические наблюдения только в экспериментальных тестах, чтобы обучить нейронную сеть прогнозировать формуемость. Фактически, в случае аустенитных нержавеющих сталей совокупность нескольких факторов снижает свойства листа на растяжение. Лу и др.64 использовали ANFIS для наблюдения за влиянием различных параметров на процесс расширения дырок.
Как кратко обсуждалось в обзоре выше, влиянию микроструктуры на диаграмму пределов формы в литературе уделяется мало внимания. С другой стороны, необходимо учитывать многие микроструктурные особенности. Поэтому включить в аналитические методы все микроструктурные факторы практически невозможно. В этом смысле использование искусственного интеллекта может быть полезным. В связи с этим в настоящем исследовании исследуется влияние одного аспекта микроструктурных факторов, а именно присутствия мартенсита, вызванного напряжением, на формуемость листов из нержавеющей стали. Это исследование отличается от других исследований искусственного интеллекта в отношении формуемости тем, что основное внимание уделяется микроструктурным особенностям, а не просто экспериментальным кривым FLD. Мы стремились оценить формуемость стали 316 с различным содержанием мартенсита, используя экспериментальные методы и методы искусственного интеллекта. На первом этапе сталь 316 начальной толщиной 2 мм была отожжена и подвергнута холодной прокатке до различной толщины. Затем с помощью металлографического контроля измеряли относительную площадь мартенсита. Формируемость прокатанных листов определяли с помощью испытания на разрыв полусферы для получения диаграммы пределов деформации (FLD). Полученные от него данные позже были использованы для обучения и тестирования системы искусственной нейро-нечеткой интерференции (ANFIS). После обучения ANFIS прогнозы нейронной сети сравниваются с новым набором экспериментальных результатов.
Лист аустенитной нержавеющей стали 316, использованный в настоящем исследовании, имеет химический состав, показанный в таблице 1, и начальную толщину 1,5 мм. Отжиг при 1050°С в течение 1 часа с последующей закалкой в воде для снятия остаточных напряжений в листе и получения однородной микроструктуры.
Микроструктуру аустенитных сталей можно выявить с помощью нескольких травителей. Одним из лучших травителей является 60%-ная азотная кислота в дистиллированной воде, травящаяся при напряжении 1 В постоянного тока в течение 120 с38. Однако этот травитель показывает только границы зерен и не может идентифицировать двойные границы зерен, как показано на рис. 1а. Другой травитель — ацетат глицерина, в котором границы двойников хорошо визуализируются, а границы зерен — нет, как показано на рис. 1б. Кроме того, после превращения метастабильной аустенитной фазы в \({\alpha }^{^{\prime}}\)-мартенситную фазу можно обнаружить с помощью глицеринацетатного травителя, что представляет интерес в настоящем исследовании.
Микроструктура металлической пластины 316 после отжига, показанная различными травителями: (а) 200x, 60% \({\mathrm{HNO}}_{3}\) в дистиллированной воде при 1,5 В, 120 с и (б) 200x , глицерилацетат.
Отожженные листы разрезали на листы шириной 11 см и длиной 1 м для прокатки. Цех холодной прокатки имеет два симметричных валка диаметром 140 мм. Процесс холодной прокатки вызывает превращение аустенита в мартенсит деформации в нержавеющей стали 316. Ищем соотношение мартенситной фазы и аустенитной фазы после холодной прокатки различной толщины. На рис. 2 показан образец микроструктуры листового металла. На рис. 2а показано металлографическое изображение прокатанного образца, если смотреть с направления, перпендикулярного листу. На рис. 2б с помощью программы ImageJ65 мартенситная часть выделена черным цветом. С помощью инструментов этого программного обеспечения с открытым исходным кодом можно измерить площадь мартенситной фракции. В таблице 2 показаны подробные фракции мартенситной и аустенитной фаз после прокатки до различных обжатий по толщине.
Микроструктура листа 316 L после прокатки до 50% уменьшения толщины, если смотреть перпендикулярно плоскости листа, увеличение в 200 раз, ацетат глицерина.
Значения, представленные в таблице 2, получены путем усреднения измеренных долей мартенсита по трем фотографиям, сделанным в разных местах на одном и том же металлографическом образце. Кроме того, на рис. 3 показаны квадратичные кривые аппроксимации, чтобы лучше понять влияние холодной прокатки на мартенсит. Видно, что существует почти линейная корреляция между долей мартенсита и уменьшением толщины в холоднокатаном состоянии. Однако квадратичная зависимость может лучше представить эту зависимость.
Изменение доли мартенсита в зависимости от уменьшения толщины при холодной прокатке первоначально отожженного листа стали 316.
Предел формирования оценивался в соответствии с обычной процедурой с использованием тестов на разрыв полушарий37,38,45,66. Всего методом лазерной резки было изготовлено шесть образцов с размерами, указанными на рис. 4а, в виде набора экспериментальных образцов. Для каждого состояния мартенситной фракции были приготовлены и испытаны три комплекта образцов. На рис. 4б показаны ограненные, полированные и маркированные образцы.
Формование Nakazima ограничивает размер образца и разделочную доску. (а) Размеры, (б) Вырезанные и маркированные образцы.
Испытание на полусферическую штамповку проводили с использованием гидравлического пресса со скоростью перемещения 2 мм/с. Контактные поверхности пуансона и листа хорошо смазаны, чтобы минимизировать влияние трения на пределы штамповки. Продолжайте испытания до тех пор, пока в образце не будет наблюдаться значительное сужение или разрыв. На рис. 5 показан разрушенный образец в устройстве и образец после испытаний.
Предел формы был определен с использованием испытания на полусферический разрыв, (а) испытательный стенд, (б) образец пластины при разрушении испытательного стенда, (в) тот же образец после испытания.
Нейро-нечеткая система, разработанная Jang67, является подходящим инструментом для прогнозирования предельной кривой формирования листьев. Этот тип искусственной нейронной сети включает в себя влияние параметров с расплывчатыми описаниями. Это означает, что они могут получить любую реальную ценность в своих полях. Ценности этого типа далее классифицируются по их стоимости. В каждой категории свои правила. Например, значение температуры может быть любым действительным числом, и в зависимости от его значения температуры можно классифицировать как холодные, средние, теплые и горячие. В этом отношении, например, правилом низких температур является правило «надеть куртку», а правилом теплых температур – «достаточно футболки». В самой нечеткой логике выходные данные оцениваются на точность и надежность. Сочетание систем нейронных сетей с нечеткой логикой гарантирует, что ANFIS предоставит надежные результаты.
На рисунке 6, предоставленном Jang67, показана простая нейронечеткая сеть. Как показано, сеть принимает два входных параметра: в нашем исследовании входными данными являются доля мартенсита в микроструктуре и значение незначительной деформации. На первом уровне анализа входные значения фаззифицируются с помощью нечетких правил и функций принадлежности (ФК):
Для \(i=1, 2\), поскольку предполагается, что входные данные имеют две категории описания. МП может принимать любую треугольную, трапециевидную, гауссову или любую другую форму.
На основе категорий \({A}_{i}\) и \({B}_{i}\) и их значений MF на уровне 2 принимаются некоторые правила, как показано на рисунке 7. В этом слое, эффекты различных входов каким-то образом комбинируются. Здесь используются следующие правила для объединения влияния мартенситной доли и значений малых деформаций:
Выходной сигнал \({w}_{i}\) этого слоя называется интенсивностью зажигания. Эти интенсивности воспламенения нормируются в слое 3 по следующему соотношению:
В слое 4 в расчет включаются правила Такаги и Сугено67,68 для учета влияния начальных значений входных параметров. Этот слой имеет следующие отношения:
На результирующий \({f}_{i}\) влияют нормализованные значения в слоях, что дает конечный результат, основные значения деформации:
где \(NR\) представляет количество правил. Роль нейронной сети здесь заключается в использовании своего внутреннего алгоритма оптимизации для коррекции неизвестных параметров сети. Неизвестными параметрами являются результирующие параметры \(\left\{{p}_{i}, {q}_{i}, {r}_{i}\right\}\), а также параметры, относящиеся к MF считаются обобщенной функцией формы колокольчиков:
Диаграммы предельных форм зависят от многих параметров: от химического состава до истории деформации листового металла. Некоторые параметры легко оценить, включая параметры испытаний на растяжение, тогда как другие требуют более сложных процедур, таких как металлография или определение остаточных напряжений. В большинстве случаев рекомендуется провести испытание на предельную деформацию для каждой партии листов. Однако иногда для приблизительного определения предела формы можно использовать другие результаты испытаний. Например, в нескольких исследованиях для определения формуемости листов использовались результаты испытаний на растяжение69,70,71,72. Другие исследования включали в свой анализ больше параметров, таких как толщина и размер зерен31,73,74,75,76,77. Однако включать все разрешенные параметры невыгодно с вычислительной точки зрения. Таким образом, использование моделей ANFIS может быть разумным подходом к решению этих проблем45,63.
В данной работе исследовано влияние содержания мартенсита на диаграмму пределов формования листа аустенитной стали 316. В связи с этим был подготовлен набор данных с использованием экспериментальных тестов. Разработанная система имеет две входные переменные: долю мартенсита, измеренную при металлографических испытаниях, и диапазон малых технических деформаций. Результатом является серьезная инженерная деформация формирующейся предельной кривой. Различают три типа мартенситных фракций: мелкую, среднюю и высшую фракции. Низкий означает, что доля мартенсита составляет менее 10%. В умеренных условиях доля мартенсита колеблется от 10% до 20%. Высокими значениями мартенсита считаются фракции более 20%. Кроме того, вторичная деформация имеет три отдельные категории от -5% до 5% вблизи вертикальной оси, которые используются для определения FLD0. Положительные и отрицательные диапазоны — это две другие категории.
Результаты полусферического теста показаны на фиг. На рисунке показаны 6 формообразующих схем пределов, 5 из которых представляют собой ФЛД отдельных листов проката. Дана точка безопасности и ее верхняя предельная кривая, образующая предельную кривую (FLC). На последнем рисунке сравниваются все FLC. Как видно из последнего рисунка, увеличение доли мартенсита в аустенитной стали 316 снижает формуемость листового металла. С другой стороны, увеличение доли мартенсита постепенно превращает СЖК в симметричную кривую относительно вертикальной оси. На последних двух графиках правая часть кривой немного выше левой, а это означает, что формуемость при двухосном растяжении выше, чем при одноосном растяжении. Кроме того, как малые, так и основные технические деформации перед образованием шейки уменьшаются с увеличением доли мартенсита.
316, образуя предельную кривую. Влияние доли мартенсита на формуемость листов аустенитной стали. (точка безопасности SF, предельная кривая образования FLC, мартенсит M).
Нейросеть обучалась на 60 наборах экспериментальных результатов с долей мартенсита 7,8, 18,3 и 28,7%. Набор данных с содержанием мартенсита 15,4% был зарезервирован для процесса проверки и 25,6% для процесса тестирования. Ошибка после 150 эпох составляет около 1,5%. На рис. 9 показана корреляция между фактическими выходными данными (\({\epsilon }_{1}\), базовой инженерной нагрузкой), предоставленными для обучения и тестирования. Как видите, обученная NFS удовлетворительно прогнозирует \({\epsilon} _{1}\) для деталей из листового металла.
(а) Корреляция между прогнозируемыми и фактическими значениями после процесса обучения, (б) Ошибка между прогнозируемыми и фактическими значениями основных инженерных нагрузок на ФЛК во время обучения и проверки.
В какой-то момент во время обучения сеть ANFIS неизбежно перерабатывается. Для этого проводится параллельная проверка, называемая «проверкой». Если значение ошибки проверки отклоняется от значения обучения, сеть начинает переобучение. Как показано на рисунке 9b, до эпохи 150 разница между кривыми обучения и проверки невелика, и они следуют примерно одной и той же кривой. На этом этапе ошибка процесса проверки начинает отклоняться от кривой обучения, что является признаком переобучения ANFIS. Таким образом, сеть ANFIS для 150-го раунда сохраняется с погрешностью 1,5%. Затем вводится прогноз FLC для ANFIS. На рис. 10 показаны прогнозируемые и фактические кривые для выбранных выборок, используемых в процессе обучения и проверки. Поскольку данные этих кривых использовались для обучения сети, неудивительно наблюдать очень близкие прогнозы.
Фактические экспериментальные прогнозные кривые FLC и ANFIS при различных условиях содержания мартенсита. Эти кривые используются в тренировочном процессе.
Модель ANFIS не знает, что случилось с последним образцом. Поэтому мы протестировали наш обученный ANFIS на СЖК, предоставив образцы с долей мартенсита 25,6%. На рис. 11 показано предсказание FLC ANFIS, а также экспериментальное FLC. Максимальная ошибка между прогнозируемым значением и экспериментальным значением составляет 6,2%, что выше прогнозируемого значения во время обучения и проверки. Однако эта ошибка является терпимой ошибкой по сравнению с другими исследованиями, которые теоретически предсказывают FLC37.
В промышленности параметры, влияющие на формуемость, описываются в виде язычка. Например, «крупное зерно снижает формуемость» или «увеличенная холодная обработка снижает FLC». Ввод в сеть ANFIS на первом этапе классифицируется по лингвистическим категориям, таким как низкий, средний и высокий. Для разных категорий в сети действуют разные правила. Поэтому в промышленности сети такого типа могут быть очень полезны с точки зрения включения в их лингвистическое описание и анализ нескольких факторов. В данной работе мы постарались учесть одну из основных особенностей микроструктуры аустенитных нержавеющих сталей, чтобы использовать возможности АНФИС. Количество мартенсита 316, вызванного напряжением, является прямым следствием холодной обработки этих вставок. Путем экспериментов и анализа ANFIS было обнаружено, что увеличение доли мартенсита в этом типе аустенитной нержавеющей стали приводит к значительному снижению FLC пластины 316, так что увеличение доли мартенсита с 7,8% до 28,7% снижает ФЛД0 от 0,35. до 0,1 соответственно. С другой стороны, обученная и проверенная сеть ANFIS может прогнозировать FLC, используя 80% доступных экспериментальных данных с максимальной ошибкой 6,5%, что является приемлемой погрешностью по сравнению с другими теоретическими процедурами и феноменологическими зависимостями.
Наборы данных, использованные и/или проанализированные в текущем исследовании, можно получить у соответствующих авторов по обоснованному запросу.
Ифтихар, CMA и др. Эволюция последующих путей текучести экструдированного магниевого сплава AZ31 «как есть» при путях пропорциональной и непропорциональной нагрузки: эксперименты и моделирование CPFEM. внутренний Ж. Праст. 151, 103216 (2022).
Ифтихар, ЦМА и др. Эволюция последующей поверхности текучести после пластической деформации по путям пропорционального и непропорционального нагружения отожженного сплава АА6061: эксперименты и конечно-элементное моделирование кристаллической пластичности. внутренний Ж. Пласт 143, 102956 (2021).
Маник Т., Холмедал Б. и Хопперстад О.С. Переходные процессы напряжения, деформационное упрочнение и значения r алюминия из-за изменений траектории деформации. внутренний Ж. Праст. 69, 1–20 (2015).
Мамуси, Х. и др. Новый экспериментальный метод определения предельной диаграммы формообразования с учетом влияния нормального давления. внутренний J. Alma mater. форма. 15(1), 1 (2022).
Ян З. и др. Экспериментальная калибровка параметров вязкого разрушения и пределов деформации листового металла AA7075-T6. Дж. Альма-матер. процесс. технологии. 291, 117044 (2021).
Петритс, А. и др. Устройства сбора скрытой энергии и биомедицинские датчики на основе сверхгибких сегнетоэлектрических преобразователей и органических диодов. Национальная коммуна. 12(1), 2399 (2021).
Басак С. и Панда С.К. Анализ пределов образования шейки и разрушения различных предварительно деформированных пластин на полярных эффективных путях пластической деформации с использованием модели текучести Yld 2000–2d. Дж. Альма-матер. процесс. технологии. 267, 289–307 (2019).
Басак С. и Панда С.К. Деформации разрушения в анизотропных листовых металлах: экспериментальная оценка и теоретические прогнозы. внутренний Дж. Меха. наука. 151, 356–374 (2019).
Джалефар Ф., Хашеми Р. и Хоссейнипур С.Дж. Экспериментальное и теоретическое исследование влияния изменения траектории деформации на предельную диаграмму формования AA5083. внутренний Дж. Адв. производитель. технологии. 76(5–8), 1343–1352 (2015).
Хабиби М. и др. Экспериментальное исследование механических свойств, формуемости и предельной диаграммы формообразования заготовок, сваренных трением с перемешиванием. Дж. Мейкер. процесс. 31, 310–323 (2018).
Хабиби М. и др. Учитывая влияние изгиба, предельная диаграмма формируется путем включения модели MC в моделирование методом конечных элементов. процесс. Меховой институт. проект. Л 232(8), 625–636 (2018).
Время публикации: 08 июня 2023 г.